View
5
Download
0
Category
Preview:
Citation preview
BANCO CENTRAL DE RESERVA DEL PERÚ
Influencia de los Precios de los Metales y el Mercado Internacional en el Riesgo Bursátil
Peruano
Mauricio Zevallos* Fernanda Villarreal** Carlos del Carpio*** Omar Abbara*
* Universidade Estadual de Campinas
** Universidad Nacional del Sur *** EFL Global
DT. N° 2014-023 Serie de Documentos de Trabajo
Working Paper series Diciembre 2014
Los puntos de vista expresados en este documento de trabajo corresponden a los autores y no reflejan
necesariamente la posición del Banco Central de Reserva del Perú.
The views expressed in this paper are those of the authors and do not reflect necessarily the position of the Central Reserve Bank of Peru.
Influencia de los Precios de los Metales y el
Mercado Internacional en el Riesgo Bursatil
Peruano*
Mauricio Zevallos**
Department of StatisticsUniversity of Campinas, Brazil
amadeus@ime.unicamp.br
Fernanda VillarrealDepartment of Mathematics
Universidad Nacional del Sur, Argentinafkroneberger@yahoo.com.ar
Carlos del CarpioEFL GlobalLima, Peru
carlos.delcarpio@eflglobal.com
Omar AbbaraGraduate Program of StatisticsUniversity of Campinas, Brazil
muhieddine@gmail.com
10 de diciembre de 2014
*Una version preliminar de este trabajo fue presentado en el XXXII Encuentro de Economistasorganizado por el Banco Central de Reserva del Peru en noviembre de 2014 bajo el tıtulo Estimaciondel Riesgo Bursatil Peruano: cuanto influyen los metales y el mercado internacional? Los autoresagradecen los comentarios de los participantes de ese encuentro. Para realizar esta investigacionM. Zevallos conto con el apoyo financiero de FAPESP and FAEPEX y F. Villarreal agradece alLaboratorio EPIFISMA por las facilidades brindadas en la realizacion de este trabajo durante suestadıa en UNICAMP.
**Autor para correspondencia. Direccion: UNICAMP-IMECC, Rua Sergio Buarque de Holanda651, Cidade Universitaria, Barao Geraldo, CEP 13083-859, Campinas, Sao Paulo, Brasil. E-mail:amadeus@ime.unicamp.br
1
Resumen
La crisis financiera internacional evidencio la necesidad de estudiar mejor
medidas de riesgo de mercado y puso en entredicho practicas de gestion de
riesgo basadas en el Valor en Riesgo (VaR). En este sentido, Adrian y Brun-
nermeier (2008, 2011) propusieron como medida de riesgo sistemico el VaR
condicional (CoVaR). El CoVaRi/j mide el VaR de la institucion i dado que la
institucion j se encuentra en problemas financieros (financial distress), esto es,
cuando la institucion j tiene retorno igual a su VaR. Ademas, para estimar la
contribucion marginal de la institucion j al riesgo de la institucion i, Adrian
y Brunnermeier (2008, 2011) propusieron la variacion CoVaR, denotada por
∆CoVaR, que esta definida como la diferencia entre el CoVaR medido en si-
tuacion de problemas financieros y el CoVaR medido en situaciones normales.
En este trabajo se utiliza la metodologıa CoVaR para estimar el riesgo bursatil
peruano (IGBVL) condicional al mercado financiero internacional (S&P500) y
condicional a los precios de tres de los principales comodities exportados por
el Peru: el cobre, el oro y la plata. Ademas, los CoVaR son comparados con
el VaR del IGBVL para entender las diferencias al estimar medidas de riesgo
condicionales e incondicionales. Los resultados muestran que tanto el CoVaR
como el ∆CoVaR son medidas utiles para medir el riesgo de mercado peruano.
Palabras clave: Copulas, CoVaR, Riesgo sistemico, S&P500, VaR.
Clasificacion JEL: G01, G10, G18, G20, G28, G32, G38.
2
1. Introduccion
En tiempos de crisis financieras, las perdidas de instituciones con problemas fi-
nancieros tienden a propagarse al resto del sistema financiero. Durante estos tiempos
de estres, la correlacion entre las variables financieras y las relaciones entre mercados
o instituciones tambien tienden a aumentar (Acharya, 2009).
Usualmente, medidas de riesgo tradicionales como el Valor en Riesgo (VaR)
incondicional, han sido utilizadas para estimar el riesgo individual de cada entidad
pero sin considerar explıcitamente la co-dependencia que puede existir con respecto
al riesgo de otras entidades y otros mercados. Esta carencia de los metodos VaR
incondicionales ha cobrado suma relevancia a la luz de la reciente crisis financiera
de finales de los 2000s, tras la cual hay un creciente consenso entre hacedores de
polıtica, gestores de riesgo e investigadores academicos, sobre la importancia de
contar con un enfoque dirigido a mitigar el riesgo sistemico del sistema financiero
en su conjunto. Por esa razon, el riesgo sistemico y su gestion se han convertido
en un tema regulatorio fundamental. Las medidas para mitigar este tipo de riesgo
constituyen la regulacion macroprudencial, que examina el sistema financiero en su
conjunto, dando prioridad a las interrelaciones entre sus componentes y los efectos
que llevan sobre el resto de la economıa (Gauthier et al., 2010).
En la literatura encontramos varias formas de medir el riesgo sistemico. Ası,
podemos mencionar los trabajos de Bae et al. (2003), Chan-Lau (2010), Acharya et
al. (2010), Brownless y Engle (2012), Gauthier et al. (2010) y Huang et al. (2010).
Entre ellas, una de las metodologıas mas importantes es la propuesta por Adrian
y Brunnermeier (2008), el VaR condicional1: CoVaR. El CoVaRi/j mide el VaR
de la institucion i dado que la institucion j se encuentra en problemas financieros
(financial distress), esto es, cuando la institucion j tiene retorno igual a su VaR.
Ademas, para medir la contribucion marginal al riesgo de la institucion i por causa
de la institucion j, Adrian y Brunnermeier (2008) proponen la variacion CoVaR,
denotada por ∆CoVaR, que esta definida como la diferencia entre el CoVaR medido
en situacion de problemas financieros y el CoVaR medido en situaciones normales.
La ventaja del CoVaR sobre el VaR tradicional radicarıa en el hecho de que el
1Como senalan Adrian y Brunnermeier (2008, 2011), co se refiere tambien a co-movimiento y
contagio.
3
riesgo de la institucion i es estimado incorporando la transmision del riesgo de la
institucion j. Esta es una de las razones por las cuales se ha aplicado la metodologıa
CoVaR en diferentes partes del mundo. Por ejemplo, Rungporn y Phurichai (2010) la
usan en Tailandia y Danielsson et al. (2011) en Estados Unidos. En el caso particular
de America Latina, podemos citar el trabajo de Arias et al. (2010) en Colombia,
Almeida et al. (2012) en Brasil y Castelao et al. (2012) en Uruguay.
En el Peru, Espino y Rabanal (2011) miden el riesgo sistemico del sector ban-
cario utilizando la metodologıa de Chan-Lau (2012). Sin embargo, de acuerdo a
nuestro conocimiento, no tenemos referencias de trabajos que apliquen la metodo-
logıa CoVaR de Adrian y Brunnermeier (2008, 2011) para este u otros sectores de
la economıa.
Aunque originalmente postulada como una medida de riesgo sistemico, los auto-
res creemos que el CoVaR constituye una medida interesante para riesgo de capital,
que puede ser aplicada no solo entre instituciones sino tambien a nivel de mercados
en general para medir las co-dependencias que puedan existir entre ellos. Ası, en el
presente trabajo proponemos utilizar la metodologıa CoVaR para estimar el riesgo
bursatil peruano. Especificamente, queremos evaluar y cuantificar como el riesgo de
mercado peruano, medido en la Bolsa de Valores de Lima atraves del IGBVL, de-
pende del mercado bursatil internacional, cuyo proxy es adoptado como el S&P500
de New York y de los precios internacionales del Cobre, Oro y Plata. Escogimos
estos metales pues el peso de las acciones de empresas mineras que las producen son
muy relevantes en la composicion del ındice IGBVL y ademas estos metales consti-
tuyen tres de los principales productos de exportacion del Peru. Con este proposito
fue colectada una muestra de los precios de IGBVL, S&P500, Cobre, Oro y Plata
durante el periodo 02/01/2004 a 31/12/2013. El principal objetivo de este estudio
es evaluar criticamente la metodologıa CoVaR en relacion a la estimacion del riesgo
bursatil peruano, consignando ademas las ventajas y desventajas frente a medidas
de riesgo tradicionales como el VaR (incondicional). Ası, este trabajo extiende los
estudios anteriores de Zevallos (2008) y del Carpio y Zevallos (2010) en los cuales
es realizada la estimacion del riesgo bursatil peruano mediante VaR incondicionales
sin considerar explıcitamente la transmision de riesgo de otros mercados.
Para calcular el CoVaR adoptaremos la definicion de Girardi y Ergun (2013) y
4
Mainik y Schaanning (2014). Ademas, otra contribucion adicional de este trabajo
es la propuesta de una forma de calcular el CoVaR en periodos normales. En conse-
cuencia, el calculo del CoVaR y ∆CoVaR es diferente al de Adrian y Brunnermeier
(2008, 2011).
En este trabajo tanto el CoVaR como el ∆CoVaR seran estimados de forma
dinamica, esto es, para cada instante de tiempo tendremos estimaciones de esas
cantidades. Seran realizados dos tipos de estimacion dependiendo de la informacion
considerada. Primero, considerando que el objetivo es estimar la contribucion mar-
ginal al riesgo, el ∆CoVaR en el instante t sera calculado utilizando la informacion
hasta el instante t. Segundo, ya que en una situacion realista de gestion de riesgo
solo disponemos de la informacion pasada, sera calculada la prediccion CoVaR un-
paso-adelante; es decir, utilizando la informacion hasta el instante t-1 calcularemos
la prediccion CoVaR para el instante t.
En la literatura encontramos varios metodos para estimar el CoVaR. Adrian
y Brunnermeier (2011) utilizan regresion cuantılica y comparan con GARCH mul-
tivariados. Chao et al. (2014) estiman CoVaR en modelos de regresion cuantılica
semiparametricos. Girardi y Ergun (2013) utilizan GARCH multivariados con una
definicion diferente de CoVaR. Hakwa et al. (2012) y Chen y Khashanah (2014)
entre otros, utilizan metodologıa de copulas.
La metodologıa de copulas es versatil para capturar la dependencia en series
financieras, ver por ejemplo Cherubini et al. (2004) y Patton (2012). Por ese motivo,
en este artıculo estimamos el CoVaR y ∆CoVaR por simulacion vıa copulas. Es-
pecıficamente, simulamos series bivariadas en las cuales las series univariadas siguen
modelos con varianza condicional heterocedastica y la dependencia entre los cho-
ques esta gobernado por un modelo de copula. Este esquema de simulacion ha sido
utilizado entre otros por Dias y Embrechts (2003), Patton (2006) y Palaro y Hotta
(2006). En particular, estos ultimos autores aplican la metodologıa en la estimacion
de VaR incondicionales pero no del CoVaR.
El resto del artıculo esta organizado de la siguiente manera. En la seccion 2 es
descrita la metodologıa CoVaR para la estimacion del riesgo. En la seccion 3 presen-
tamos el analisis empırico basado en el metodo CoVaR. Finalmente, conclusiones y
algunas investigaciones futuras son consignadas en la seccion 4.
5
2. Metodologıa
En esta seccion presentaremos primero las definiciones de las medidas de riesgo
consideradas en este trabajo y despues describiremos el procedimiento de estimacion
adoptado para estimar dichas medidas.
2.1. CoVaR y ∆ CoVaR
Sean {xt} y {yt} dos series de retornos, donde t = 1, . . . , n. A continuacion
presentaremos las definiciones de las medidas de riesgo estudiadas. Con el objetivo
de evitar notacion sobrecargada seran omitidos los subındices referentes al tiempo,
pero debe entenderse que cada medida de riesgo es evaluada en el tiempo t.
El Valor en Riesgo (VaR) de y en el nivel p, denotado por V aRy(p), esta definido
como
P [y < V aRy(p)] = p. (1)
Note que este VaR es incondicional pues esta calculado utilizando solamente la serie
en cuestion (a rigor la distribucion incondicional de y). Con el objetivo de obtener
una medida de riesgo condicional, Adrian y Brunnermeier (2008) propusieron utilizar
el VaR de y de nivel q condicional en x evaluado en V aRpx. Esta medida, denominada
CoVaR y denotada por CoV aRy/x(q, p) esta definida como
P [y ≤ CoV aRy/x(q, p)|x = V aRx(p)] = q. (2)
Ası, el CoVaR esta basado en la distribucion condicional de y dado x.
En lugar de condicionar exactamente en el V aRpx, Girardi y Ergun (2013) y
Mainik y Schaanning (2014) proponen condicionar en los valores iguales y menores
que V aRpx. Esto permitirıa tener una medida de riesgo que considera eventos aun
mas extremos. De manera que la definicion de CoVaR adoptada en este trabajo es,
P [y ≤ CoV aRy/x(q, p)|x ≤ V aRx(p)] = q. (3)
Por lo tanto, CoV aRy/x(q, p) mide el riesgo de y dado que x se encuentra en situacion
de problemas financieros (distress), incorporando ası la dependencia entre los riesgos
individuales de x e y.
6
Por otro lado, con el objetivo de medir la contribucion marginal al riesgo de
y ocasionado por x, Adrian y Brunnermeier (2008) propusieron la variacion Co-
VaR, denotada por ∆CoVaR, que esta definida como la diferencia del CoVaR en
situaciones de problemas financieros (CoV aRy/x(q, p)) con el CoVaR en situaciones
normales de mercado, denotado por CoV aRy/x(q, ∗). Esto es,
∆CoV aRy/x = CoV aRy/x(q, p)− CoV aRy/x(q, ∗). (4)
En este trabajo, a diferencia de Adrian y Brunnermeier (2008) proponemos medir
el CoVaR en situaciones normales, como,
P [y ≤ CoV aRy/x(q, ∗)|x ∈ (Q1x, Q3x)] = q, (5)
donde Q1x y Q3x son el primer y tercer quartil de x, respectivamente.
2.2. Estimacion del CoVaR y ∆CoVaR
Como fue senalado en la introduccion, en la literatura existen varios metodos
para estimar el CoVaR. En este trabajo sera utilizada la metodologıa de copulas en
la cual el CoVaR es calculado vıa simulacion. Especıficamente, simulamos series bi-
variadas en las cuales las series univariadas siguen modelos con varianza condicional
heterocedastica y la dependencia entre los choques esta gobernado por un modelo de
copula. Este esquema de simulacion ha sido utilizado por Dias y Embrechts (2003),
Patton (2006) y Palaro y Hotta (2006), entre otros. En particular, estos ultimos
autores aplican la metodologıa en la estimacion de VaR incondicionales pero no del
CoVaR.
Considere dos series de retornos {x1, . . . , xn} e {y1, . . . , yn}. Para simplificar la
exposicion posterior vamos a denotar xt por r1,t e yt por r2,t. Suponga que cada serie
presenta media y varianza condicional dinamica, de acuerdo a un modelo autoregre-
sivo de orden uno para la media y de acuerdo a un modelo APARCH(1,1) [Ding et
al., 1993] para la varianza. Especıficamente, para i = 1, 2 y t = 1, . . . , n,
ri,t = µi,t + εi,t, (6)
µi,t = ci + φri,t−1, (7)
εi,t = σi,tηi,t, (8)
σδii,t = ωi + αi(|εi,t−1| − γiεi,t−1)δi + βiσδii,t−1, (9)
7
donde δi es un numero real positivo y los parametros ωi, αi, βi y γi satisfacen cier-
tas condiciones de manera que la volatilidad (σi,t) sea positiva. Ademas para cada i,
{ηi,t} es una secuencia de variables aleatorias independientes e identicamente distri-
buidas con distribucion exponencial generalizada (GED) de esperanza 0, varianza 1
y parametro de forma νi (ver Nelson, 1991).
Escogimos el modelo (6)-(9) pues es muy versatil en la reproduccion de corre-
lacion serial en los niveles (a traves del parametro φ), en la reproduccion de con-
glomerados de volatilidad, de colas pesadas (a traves de la distribucion GED), del
efecto de apalancamiento (a traves del parametro γ) y evolucion de potencias de la
volatilidad (a traves del parametro δ).
Para reproducir la dependencia entre las dos series de retornos, asumimos que
ηt = (η1,t, η2,t) sigue un modelo de copula. Considere por el momento que tenemos
un vector bivariado (η1, η2) sin dimension temporal t. De acuerdo con el Teorema
de Sklar (Sklar,1959) en su version bivariada, para variables continuas existe una
unica funcion de copula C tal que la funcion de distribucion conjunta de (η1, η2),
denotada por F , cumple
F (η1, η2) = C(F1(η1), F2(η2)), (10)
donde F1 y F2 son las funciones de distribucion marginales de η1 y η2, respectiva-
mente. Ademas, este teorema garantiza que
C(u1, u2) = F (F−11 (u1), F−12 (u2)), (11)
donde ui = Fi(ηi) y F−1i es la funcion de distribucion inversa de ηi, para i = 1, 2.
De manera que la densidad de copula es
c(u1, u2; θ) =∂2C(u1, u2)
∂u1∂u2, (12)
donde θ es el vector de parametros asociados a la copula. Entonces, como conse-
cuencia de (10), la densidad de (η1, η2), f , cumple
f(η1, η2) = c(u1, u2; θ)f1(η1)f2(η2), (13)
donde fi es la densidad de ηi, i = 1, 2. La versatilidad del modelo de copula para re-
producir distribuciones multivariadas es patente al observar (13); ecuacion en la cual
8
una densidad bivariada es el resultado del producto de dos densidades univariadas
y una densidad de copula que captura la dependencia entre las variables.
Para capturar la evolucion temporal de la dependencia entre las series, en este
artıculo utilizamos la version dinamica del teorema de Sklar dada por Patton (2006),
en la cual la dependencia entre las variables es condicional a la informacion pasada
denotada por Ft. Esto es, F (η1, η2|Ft) = C(F1(η1|Ft), F2(η2|Ft)).En este trabajo son consideradas dos copulas usualmente empleadas en las apli-
caciones: la copula t-Student definida como,
C(u1, u2; ν, ρ) =
∫ t−1ν (u1)
−∞
∫ t−1ν (u2)
−∞
1
2π√
1− ρ2
(1 +
s2 − 2ρst+ t2
ν(1− ρ2)
)−(ν+2)/2
dsdt,(14)
donde t−1ν es la inversa de la funcion univariada t-Student con ν grados de libertad,
y la copula Joe-Clayton definida como,
C(u1, u2; τL, τU ) = 1−({
[1− (1− u1)κ]−γ + [1− (1− u2)κ]−γ − 1}−1/γ)1/κ
, (15)
donde κ = 1/ log2(2− τU ), γ = −1/ log2(τL) con τL ∈ (0, 1) y τU ∈ (0, 1).
A continuacion, describiremos como es que, dada la informacion hasta el instante
t y dados los niveles p y q, estimamos el CoV aRy/x(q, p) en el tiempo t+1. Es decir,
como calculamos la prediccion CoVaR un-paso-adelante.
(a) Para estimar los parametros del modelo utilizamos el metodo Inference Fun-
ction for Margins (IFM) propuesto por Joe y Xu (1996). Este es un proce-
dimiento de maxima verosimilitud para copulas parametricas que tiene dos
etapas. Primero son estimados los modelos marginales. Ası, para cada una
de las muestras r1,1, . . . , r1,n y r2,1, . . . , r2,n ajustamos el modelo univariado
(6)-(9) obteniendo estimaciones de µi,t y σi,t, denotadas por µi,t y σi,t, res-
pectivamente. Calculamos ui,t = Fi(ηi,t) para i = 1, 2, t = 1, . . . , n, donde F
es la funcion de distribucion empirica2 y ηi,t = (ri,t − µi,t)/σi,t es la innova-
cion estimada. En segundo lugar, los parametros del modelo de copula (θ) son
estimados maximizando la expresion,
L(θ) =n∑t=1
log c(u1,t, u2,t; θ) (16)
2Este es un estimador no-parametrico que es usualmente utilizado en las aplicaciones con copulas,
pero podriamos haber utilizado la funcion de distribucion de ηi,t, que es GED.
9
para una densidad de copula c especıfica. Por ejemplo, con la copula t-Student
(14) tenemos θ = (ν, ρ) y con la la copula Joe-Clayton (15) tenemos θ =
(τL, τU ).
(b) Una vez estimados los parametros, para generar las observaciones seguimos los
siguientes pasos.
(b.1) Simulamos m muestras de copula U = [u1,j , u2,j ], j = 1, . . . ,m, utilizando
los parametros estimados de la copula adoptada (θ).
(b.2) Calculamos Zi,j = F−1i (ui,j), para i = 1, 2 y j = 1, . . . ,m, donde F−1i (·)es la distribucion inversa GED con parametro νi.
(b.3) Usando las predicciones un-paso-adelante de las medias y varianzas condi-
cionales denotadas por µi,t+1 y σi,t+1, respectivamente, calculamos ri,t+1,j =
µi,t+1 + σi,t+1Zi,j , para i = 1, 2 y j = 1, . . . ,m.
(b.4) Denotamos a las observaciones simuladas (r1,t+1,j , r2,t+1,j) por (x?j , y?j )
para j = 1, . . . ,m. Entonces, la muestra de la serie bivariada (x, y) de
interes es (x?1, y?1), . . . , (x?m, y
?m).
(c) Finalmente calculamos los VaR y CoVaR utilizando cuantiles empıricos. El
V aRx(p) es el cuantil p de las observaciones simuladas x?1, . . . , x?m y el CoV aRy/x(q, p)
es el cuantil q de todas las observaciones y?j pertenecientes a los pares (x?j , y?j )
tales que los x?j son menores o iguales que V aRx(p). Ademas, fue calculado el
VaR incondicional de la serie y, denotado por V aRx(q), como el cuantil q de
las observaciones simuladas y?1, . . . , y?m.
Resaltamos que en el paso (b.3) utilizamos la prediccion de la volatilidad, σi,t+1,
pues nos interesa adoptar un escenario real, en el cual las medidas de riesgo tienen
que ser estimadas a partir de la informacion disponible.
Por otro lado, para calcular la variacion CoVaR seguimos el procedimiento an-
terior con la unica diferencia que en (b.3) los CoVaR en periodos de problemas
financieros y periodos normales son calculados utilizando las estimaciones de las
medias y varianzas condicionales contemporaneas µt y σt, respectivamente y no pre-
dicciones. Ademas, el CoVaR en estado normal es calculado como el cuantil q de
10
todas las observaciones y?j pertenecientes a los pares (x?j , y?j ) tales que los x?j son
menores al cuantil Q3 de x? y mayores que el cuantil Q1 de x?.
3. Analisis Empırico
En esta seccion presentamos la aplicacion de la metodologıa CoVaR en la esti-
macion del riesgo bursatil peruano vıa copulas. Todos los calculos fueron realizados
utilizando programas del paquete estadıstico R (R Development Core Team, 2014).
Comenzamos presentando los datos.
3.1. Datos
Los datos utilizados en este trabajo corresponden a los precios de cierre diarios
del ındice IGBVL, del ındice S&P500 de USA y de los metales Cobre, Oro y Plata
cotizados en la LME (London Metal Exchange). La fuente de los datos es Bloomberg.
La muestra corresponde al periodo con inicio en 2 de enero de 2004 y final en 31 de
diciembre de 2013. Debido a que existen feriados diferentes en los tres mercados de
donde provienen los datos, en este trabajo solamente fueron considerados aquellos
dıas en los cuales se dispone de todos los precios.
El ındice del IGBVL fue escogido como representativo del mercado de acciones
peruano ası como el ındice S&P500 fue escogido como representante del mercado
de acciones internacional. Ademas, fueron considerados los precios internacionales
del cobre, oro y plata por dos motivos: porque las acciones de empresas mineras
peruanas son muy relevantes en la composicion del ındice IGBVL y porque se trata
de tres de los principales commodities exportados por el Peru (de cuyos ingresos por
exportacion la economıa peruana depende crıticamente).
En este trabajo seran estudiadas las series de retornos diarios en porcentaje del
IGBVL, S&P500, Cobre y Oro-Plata. Este ultimo corresponde al promedio diario
de los retornos de Oro y Plata. El motivo para considerar esta canasta se debe a
que el comportamiento historico de los precios de ambos metales preciosos es similar
durante el periodo estudiado. Especıficamente los retornos fueron calculados como
rt = 100(ln(pt)− ln(pt−1)) donde pt es el precio en el instante t y ln es el logaritmo
natural.
11
En total disponemos de una muestra de n = 2372 retornos. En el Cuadro 1
presentamos algunas estadısticas descriptivas y en la Figura 1 mostramos el grafico
de las series de retornos. En esta figura podemos identificar claramente los periodos
de gran volatilidad. Por ejemplo, las cuatro series presentan volatilidad muy alta
en el segundo semestre de 2008 y la serie del IGBVL presenta episodios de alta
volatilidad en los periodos de eleccion presidencial, en 2006 y 2011.
Cuadro 1: Estadısticas descriptivas de los retornos en el pe-
riodo 2004-2013.
Serie n Media Desviacion Coeficiente de Curtosis
Estandar Simetrıa
IGBVL 2372 0.078 1.702 -0.43 11.07
S&P500 2372 0.022 1.305 -0.38 13.9
Cobre 2372 0.048 2.002 -0.17 5.49
Oro-Plata 2372 0.047 1.846 -0.53 8.66
n es el numero de observaciones.
[Figura 1]
3.2. Estimacion del Riesgo Bursatil
El riesgo del mercado bursatil peruano, entendido como el riesgo del IGBVL,
fue analizado en tres periodos a fin de contar con niveles de volatilidad del IGBVL
diferentes. Ası, fue estudiado un periodo de volatilidad baja y media: el periodo
correspondiente al ano 2013 y tambien fueron analizados periodos de alta y muy
alta volatilidad: el periodo Julio-Diciembre de 2008, el cual incluye el evento de la
declaracion en bancarrota del banco Lehmann Brothers y el periodo Enero-Agosto
del ano 2011, que incluye las elecciones presidenciales.
En cada uno de los tres periodos fueron estimadas las predicciones CoVaR un-
paso-adelante del IGBVL dado S&P500, dado el Cobre y dado Oro-Plata y tambien
las variaciones CoVaR (∆CoVaR) del IGBVL dado S&P500, dado el Cobre y dado
Oro-Plata. Con respecto a la eleccion de los niveles de confianza en las medidas
de riesgo, fue adoptado un criterio conservador en terminos del CoVaR, es decir
utilizando q = 0.01 y para el condicionamiento en el VaR fue considerado un valor
12
no tan extremo, p = 0.05. En toda la discusion posterior omitiremos que p = 0.05
y simplemente nos referiremos a CoVaR 99 % y ∆CoVaR 99 %3. Ademas fueron
calculadas las predicciones un-paso-adelante del VaR 99 % incondicional del IGBVL.
En cada tiempo, las medidas de riesgo fueron estimadas siguiendo el procedi-
miento descrito en la subseccion 2.2. Especıficamente, fueron estimados modelos con
un componente autoregresivo de primer orden para los ındices IGBVL y S&P500 y
sin componente autoregresivo para Cobre y Oro-Plata. Fueron considerados modelos
APARCH(1,1) con apalancamiento y errores GED; de esta forma podemos capturar
el efecto diferenciado de retornos positivos y negativos (apalancamiento) y las colas
pesadas. Las copulas consideradas fueron Joe-Clayton o t-Student, escogiendo entre
ellas aquella que explico mejor la dependencia bivariada. En cada instante de tiempo
fueron simuladas m = 100, 000 observaciones. Enfatizamos que el CoVaR y ∆CoVaR
son calculados cada vez que una observacion es incorporada en la muestra. Sean los
tiempos de los retornos en el periodo: t = 1, . . . , t0-1, t0, . . . , n. Los retornos en los
tiempos t = 1, . . . , t0-1 constituyen la muestra basica y luego son incorporados los
retornos uno a uno para calcular los CoVaR en t = t0, . . . , n. Ası, para el periodo
Julio-Diciembre 2008 tenemos n = 1175 y t0 = 1057, para el periodo Enero-Agosto
2011 tenemos n = 1812 y t0 = 1674 y para el periodo Enero-Diciembre 2013 tenemos
n = 2372 y t0 = 2130.
Los resultados son mostrados en las Figuras 2-7. Las Figuras 2,4 y 6 muestran las
variaciones CoVaR en los tres periodos considerados y las Figuras 3,5 y 7 muestran
las predicciones VaR4 y CoVaR un-paso a delante en los tres periodos considerados.
A partir de ellas podemos comentar lo siguiente.
[Figura 2] [Figura 3]
[Figura 4] [Figura 5]
[Figura 6] [Figura 7]
3Siguiendo la convencion usualmente adoptada, la confianza 99 % se refiere a las perdidas, esto
es a los valores negativos de los retornos.4Correspondiente a la estimacion de la serie bivariada IGBVL y Cobre.
13
En primer lugar, tanto las estimaciones de ∆CoVaR como las predicciones un-
paso-adelante de CoVaR presentan comportamiento dinamico en el tiempo y en
consonancia con la volatilidad del IGBVL. Sin embargo, la relacion entre el VaR del
IGBVL y los CoVaR no es lineal o uno-a-uno (one-to-one) como senalado tambien
por Adrian y Brunnermeier (2011).
En segundo lugar, discutiremos acerca de la contribucion marginal del S&P500,
Cobre y Oro-Plata al riesgo del IGBVL, es decir, las variaciones CoVaR (∆CoVaR).
En la Figura 6 tenemos los ∆CoVaR en un periodo de baja y media volatilidad del
IGBVL, el ano 2013. Observamos que los ∆CoVaR dado S&P500 y dado Cobre son
muy proximos, siendo el ∆CoVaR dado S&P500 ligeramente mayor. En las Figuras
2 y 4 tambien se observan valores proximos de ∆CoVaR dado S&P500 y dado Cobre
en periodos de baja volatilidad. Sin embargo, las diferencias entre el ∆CoVaR dado
S&P500 y el ∆CoVaR dado Cobre se tornan cada vez mayores en la medida que la
volatilidad del IGBVL aumenta. Esto se observa claramente en el mes de octubre
del ano 20085 (Figura 2) y en el periodo de elecciones 2011 (Figura 4). Ademas, en
el periodo Julio-Diciembre del ano 2008 la contribucion marginal al riesgo debido
al Cobre es mayor en magnitud que la contribucion marginal debido a S&P500 y
durante el periodo Enero-Agosto del ano 2011 esta relacion se invierte, siendo que en
los tres periodos considerados el ∆CoVaR dado Oro-Plata es menor en magnitud que
los ∆CoVaR dado S&P500 y dado Cobre. Por lo tanto, la contribucion marginal de
Oro-Plata al riesgo del IGBVL es menor en los tres periodos considerados y mucho
menor en los periodos de alta volatilidad del IGBVL. Esto guarda relacion con la
practica usual de utilizar Oro y Plata como cobertura (hedge) en la composicion de
portafolios.
En tercer lugar discutiremos acerca de las predicciones del riesgo un-paso-adelante
del IGBVL. Para esto, en cada periodo comparamos el VaR del IGBVL con los Co-
VaR dado S&P500, dado Cobre y dado Oro-Plata. Comenzamos realizando el analisis
de la figuras 3, 5 y 7.
Con excepcion de muy pocos dıas (y en periodos de muy baja volatilidad del
IGBVL) las predicciones CoVaR son menores que las predicciones VaR del IGBVL.
5En este periodo comenzo en USA la implementacion del TARP (Troubled Asset Relief Program),
programa concebido para salvar el sistema financiero.
14
Esto es deseable por la definicion de CoVaR y porque el objetivo es tener una medida
mas conservadora de riesgo6.
En los tres periodos considerados: Julio-Diciembre 2008, Enero-Agosto 2011 y
ano 2013, observamos que las predicciones CoVaR son muy proximas, siendo los
CoVaR dado Oro-Plata en general menores que los CoVaR dado Cobre y dado
S&P500. Ademas, en los periodos de baja y media volatilidad las predicciones VaR
del IGBVL y las predicciones CoVaR son proximas. Sin embargo, las diferencias
entre VaR y CoVaR aumentan en los periodos de alta volatilidad, caracterizando
una respuesta no-lineal del riesgo medido por CoVaR en los periodos de problemas
financieros (distress).
Ası como el VaR, los CoVaR son muy sensibles a secuencias de perdidas grandes
(retornos negativos grandes en magnitud). Por ejemplo, en la Figura 3 analizamos
el periodo correspondiente al segundo semestre de 2008, el cual incluye el evento
de la quiebra del banco Lehman-Brothers. Observando el inicio de la serie vemos
que el VaR y los dos CoVaR presentan valores proximos, pero en el momento mas
algido de la crisis los valores del VaR y CoVaR son muy grandes, llegando inclusive
alrededor de 20 % para VaR y 30 % para CoVaR. Una vez pasado el periodo mas
crıtico, al final de la serie las medidas de riesgo vuelven a presentar valores proximos.
Una situacion similar se puede observar en la Figura 5 con el gran aumento de las
medidas de riesgo en el periodo de las elecciones presidenciales del 2011.
Para comparar la cobertura de las medidas de riesgo, en el Cuadro 2 presentamos
el numero de excepciones, esto es, el numero de veces en los cuales los retornos
son menores que las predicciones VaR y CoVaR al 99 %, en cada uno de los tres
periodos considerados. Esperamos que el numero de excepciones sea 1.19, 1.58 y 2.43
para los periodos de Julio-Diciembre 2008, Enero-Agosto-2011 y Enero-Diciembre
2013, respectivamente. Los resultados indican que el VaR incondicional no cubre
las perdidas adecuadamente en los periodos Enero-Agosto-2011 y Enero-Diciembre
2013. En cambio, los CoVaR presentan menos excepciones que las esperadas. En
este sentido, el desempeno de los CoVaR es mejor que el VaR incondicional.
6Dependiendo del metodo de estimacion adoptado, los valores de CoVaR podrian ser frecuente-
mente menores que los valores de VaR. Esto sucedio, por ejemplo, cuando estimamos los CoVaR
por regresion cuantılica y los VaR por modelos GARCH.
15
Cuadro 2: Numero de retornos menores que las medidas de riesgo al 99 %.
Periodo n VaR CoVaR-S&P500 CoVaR-Cobre CoVaR-OroPlata
Julio-Diciembre 2008 119 1 0 0 1
Enero-Agosto 2011 158 5 1 1 1
Enero-Diciembre 2013 243 4 0 0 2
n es el numero de observaciones en cada periodo.
Sin embargo, en la evaluacion de una medida de riesgo, ademas de analizar la
cobertura es necesario analizar la magnitud de los valores de esta medida. En un pe-
riodo de volatilidad media con algunos episodios de alta volatilidad, como el ano 2013
(Figura 7), los valores de CoVaR cubren adecuadamente las perdidas. En cambio, y
como puede ser observado en las figuras 3 y 5, en periodos de muy alta volatilidad
los valores de VaR y CoVaR podrıan ser muy grandes, digamos en el rango 20 %
- 30 %. El hecho de tener estimaciones CoVAR innecesariamente grandes durante
varios dıas comparado a los retornos observados se puede explicar por lo siguien-
te. Supongamos que tenemos un valor atıpico de retorno (muy negativo) seguido
de varios retornos pequenos en magnitud. Entonces, de acuerdo con el modelo de
volatilidad adoptado en la ecuacion (9), es claro que el dıa siguiente a la ocurrencia
del valor atıpico la volatilidad (y por ende el VaR y CoVaR) se dispara y en los
dıas posteriores, aun con retornos muy bajos en magnitud, la volatilidad demora en
disminuir. Ası, el modelo de volatilidad no es lo suficientemente adaptativo para esa
situacion.
Finalmente, en el Cuadro 3 presentamos los retornos del IGBVL y las medidas
riesgo en los dıas de excepciones encontradas en los tres periodos considerados. La
mayor perdida en esos periodos ocurre el 06/06/2011, el dıa posterior al resulta-
do de la segunda vuelta de la eleccion del ano 2011. Notese que las predicciones
CoVaR son capaces de cubrir la perdida de ese dıa pero no ası el VaR. En cam-
bio, el 04/08/2011 ninguna de las medidas de riesgo es capaz de cubrir la perdida.
La diferencia en ese comportamiento es explicada por el nivel de volatilidad del
IGBVL presentado antes de la prediccion. En los dıas anteriores al 06/06/2011 ya
habıa muy alta volatilidad, siendo los retornos iguales a -3.68 (31/05/2011), -6.13
(01/06/2011), 6.92 (02/06/2011) y -2.37 (03/06/2011). En cambio, en los dıas an-
16
teriores al 04/08/2011 habıa baja volatilidad, siendo los retornos iguales a -0.09
(01/08/2011), -1.07 (02/08/2011) y -0.89 (03/08/2011). Entonces, el retorno obser-
vado en 04/08/2011, igual -5.73, es muy difıcil de predecir dado los niveles (bajos)
de volatilidad observados previamente.
Cuadro 3: Medidas de riesgo al 99 % en los dıas de excep-
ciones.
Fecha Retorno VaR CoVaR CoVaR CoVaR
IGBVL S&P500 Cobre Oro-Plata
06/10/2008 -9.73 -7.13 -9.77 -10.81 -9.13
28/03/2011 -5.29 -4.42 -6.39 -6.23 -5.66
01/06/2011 -6.13 -5.95 -9.47 -8.90 -7.92
06/06/2011 -13.29 -9.87 -15.87 -14.94 -14.27
04/08/2011 -5.73 -3.49 -4.82 -4.64 -4.08
08/08/2011 -7.36 -5.63 -9.46 -8.43 -7.64
15/04/2013 -4.20 -2.86 -4.29 -4.31 -3.65
20/06/2013 -5.05 -3.40 -5.31 -5.27 -4.59
12/09/2013 -3.00 -2.73 -4.10 -3.83 -3.43
03/12/2013 -2.50 -2.26 -3.44 -3.38 -3.06
4. Conclusiones y estudios futuros
En este trabajo es estimado el riesgo bursatil peruano considerando dos fuentes
de riesgo: el riesgo del mercado financiero internacional, representado por el S&P500
y el riesgo de tres de los principales productos de exportacion del Peru, el cobre,
oro y plata. Para este fin es propuesta una metodologıa basada en los conceptos de
CoVaR y variacion CoVaR de Adrian y Brunnermeier (2008).
Los resultados ilustran la utilidad de la metodologıa CoVaR. A seguir discutimos
dos aspectos: el uso de la variacion CoVaR y el uso de la prediccion CoVaR.
Utilizando la variacion CoVaR encontramos que la contribucion al riesgo del
IGBVL debido a la canasta Oro-Plata es menor que la contribucion de S&P500 y
del Cobre, siendo que las contribuciones de S&P500, Cobre y Oro-Plata son muy
proximas en periodos normales de mercado.
17
En terminos de prediccion, los resultados ilustran la utilidad de las medidas de
riesgo CoVaR dado S&P500, dado el Cobre y dado Oro-Plata como alternativa a
medidas como el VaR incondicional. Ası, las predicciones un-paso-adelante CoVaR
tienen mejor cobertura en terminos del numero de excepciones que el VaR y cubren
las perdidas de manera adecuada en periodos de volatilidad baja y moderada-alta.
Inclusive, a diferencia del VaR, los CoVaR son capaces de cubrir algunas perdidas
extremas, como la del 06/06/2011, el dıa posterior al resultado de la segunda vuelta
de la eleccion del 2011. Sin embargo, en periodos de muy alta volatilidad y en las
situaciones descritas en la seccion anterior, los valores de VaR y CoVaR podrıan ser
innecesariamente grandes. En estos casos, cobra relevancia el margen adoptado de
10 % para capital de riesgo de mercado en el Peru, como consta en la Resolucion
SBS N0 6328 de la Superintendencia de Banca, Seguros y AFP.
Aun cuando en algunos episodios de muy alta volatilidad los CoVaR son muy
grandes, el calculo de los CoVaR permite adquirir un panorama mas amplio, el cual
incorpora el riesgo exogeno. Todo esto en lınea con la reciente experiencia de la Crisis
Financiera Global, iniciada en el 2008, que enfatizo la importancia de capturar la
transmision de riesgo y resalto la inconveniencia de adoptar niveles bajos de capital
de respaldo.
Ademas, los periodos de crisis gatillan una respuesta no-lineal del riesgo de mer-
cado, evidencia encontrada a partir del aumento de las diferencias entre el VaR y
los CoVaR en periodos de muy alta volatilidad comparado con periodos normales.
Lo mismo sucede con las variaciones CoVaR.
Finalmente, como asuntos de estudio futuro podemos citar dos. Primero, evaluar
la metodologıa CoVaR en la estimacion de riesgo de portafolios de acciones midiendo
el riesgo sistemico de los portafolios con respecto al IGBVL, otros portfolios, u
otros mercados internacionales, y viceversa. Segundo, proponer metodologıas para
la estimacion de CoVaR de forma que sea mas adaptativa a la ocurrencia de perdidas
pequenas despues de la ocurrencia de perdidas extremas.
18
Referencias
Acharya, V. (2009). A theory of systemic risk and design of prudential bank regu-
lation. Journal of Financial Stability, 5, 223-255.
Acharya, V., Pedersen L., Philippe T. y Richardson, M. (2010). Measuring systemic
risk. Technical report, Department of Finance, New York University.
Adrian, T. y Brunnermeier, M.K. (2008). CoVaR. Staff Report no. 348, Federal
Reserve Bank of New York.
Adrian, T. y Brunnermeier, M.K. (2011). CoVaR. Staff Report no. 348. Revised
version, Federal Reserve Bank of New York.
Almeida, A., Frascaroli, B. y Cunha, D. (2012). Medidas de risco e matriz de
contagio: uma aplicacao do CoVaR para o mercado financeiro brasileiro. Re-
vista Brasilera de Financas, 10, 551-584.
Arias, M., Mendoza, J. y Perez, D. (2010). Applying CoVaR to measure systemic
market risk the Colombian case. IFC Bulletin, 34, 351-364.
Bae K., Karolyi A. y Stulz R. (2003). A new approach to measuring financial
contagion. Review of Financial Studies, 16, 717-763.
Brownlees C. y Engle R. (2012). Volatility, correlation, and tails for systemic risk
measurement. Working Paper, New York University.
Chan-Lau J. (2010). Balance sheet network analysis of too-connected-to-fail risk
in global and domestic banking systems. IMF Working Paper WP/10/107.
http://www.imf.org/external/pubs/ft/wp/2010/wp10107.pdf.
Chao, S., Hardle, W.K. y Wang W. (2012). Quantile regression in risk calibration.
SFB 649 Discussion Paper 2012-006. http://sfb649.wiwi.hu-berlin.de/
papers/pdf/SFB649DP2012-006.pdf.
Chen, K.H. y Khashanah, K. (2014). Measuring systemic risk: copula CoVaR. Tech-
nical report. SSRN: http://ssrn.com/abstract=2473648.
19
Cherubini, U., Luciano, E. y Vecchiato, W. (2004). Copula Methods in Finance.
John Wiley & Sons.
Bank for International Settlements (2010). The Basel Committee’s response to the
financial crisis: report to the G20. http://www.bis.org/publ/bcbs179.htm
del Carpio, C. y Zevallos, M. (2010). Estimacion de capital por riesgo de precio:
Evaluando metodologas para el caso peruano. Revista Estudios Economicos,
Banco Central de Reserva del Peru, 19, 42-56.
Danielsson J., James K., Valenzuela M. y Zer I. (2014). Model risk of risk models.
SRC Discussion Paper No 11, London School of Economics and Political Scien-
ce. http://www.riskresearch.org/index.php?paperid=41#papercontent.
Dias, A. y Embrechts, P. (2003). Dynamic copula models for multivariate high-
frequency data in finance. Working Paper, ETH Zurich: Department of Mat-
hematics.
Ding, Z. Granger, C.W.J. y Engle, R.F. (1993). A long memory property of stock
returns and a new model. Journal of Empirical Finance, 1, 83-106.
Espino F. y Rabanal A. (2011). Riesgo de Interconexion en el mercado interbancario
Peruano, Revista Moneda, Banco Central de Reserva del Peru, 148, 13-16.
Gauthier C., Lehar A. y Souissi M. (2010). Macroprudential regulation and systemic
capital requirements. Bank of Canada Working Paper 2010-4. http://www.
econstor.eu/bitstream/10419/53944/1/618958347.pdf.
Girardi, G. y Ergun, A.T. (2103). Systemic risk measurement: multivariate GARCH
estimation of CoVaR. Journal of Banking & Finance, 37, 3169-3180.
Hakwa, B. Ambrozewicz, M.J. y Rudiger, B. (2012). Measuring and analysing mar-
ginal systemic risk contribution using CoVaR: a copula approach. Technical
report. http://arxiv.org/pdf/1210.4713v2.pdf.
Huang X., Zhou H. y Zhu H. (2010). Assessing the systemic risk of a heterogeneous
portfolio of banks during the recent financial crisis. BIS Working Papers 296.
http://www.bis.org/publ/work296.htm.
20
Joe, H. y Xu, J. (1996). The estimation method of inference function for mar-
gins for multivariate models. Technical Report 166, Department of Statistics,
University of British Columbia.
Mainik, G. y Schaanning, E. (2014). On dependence consistency of CoVaR and
some other systemic risk measures. Statistics & Risk Modeling, 31, 49-77.
Nelson, D.B. (1991). Conditional heteroskedasticity in asset returns: a new ap-
proach. Econometrica, 59, 347-370.
Palaro, H.P. y Hotta, L.K. (2006). Using conditional copula to estimate value at
risk. Journal of Data Science, 4, 93-115.
Patton, A.J. (2006). Modelling asymmetric exchange rate dependence. Internatio-
nal Economic Review, 47, 527-556.
Patton, A.J. (2012). A review of copula models for economic time series. Journal
of Multivariate Analysis, 110, 4-18.
R Development Core Team (2014). R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN
3-900051-07-0, URL http://www.R-project.org.
Rungporn R. y Phurichai R. (2010). Measuring systemic risk and financial linkages
in the Thai banking system. Working Papers, Economic Research Department,
Bank of Thailand.
Sklar, A. (1959). Fonctions de repartition a n dimensions et leurs marges. Publ.
Inst. Statist. Univ. Paris, 8, 229-231.
Zevallos, M. (2008). Estimacion del Riesgo Bursatil Peruano. Revista Economıa, 31,
62, 109-126. http://revistas.pucp.edu.pe/index.php/economia/article/
view/1192.
21
IGBVLre
torn
os
04 05 06 07 08 09 10 11 12 13 14
−10
−5
05
10
SP500
reto
rnos
04 05 06 07 08 09 10 11 12 13 14
−10
−5
05
10
Cobre
reto
rnos
04 05 06 07 08 09 10 11 12 13 14
−10
−5
05
10
Oro−Plata
reto
rnos
04 05 06 07 08 09 10 11 12 13 14
−10
−5
05
10
Figura 1: Series de retornos.
22
01−Jul 01−Ago 02−Set 01−Oct 03−Nov 01−Dic
−10
−5
05
1015
Figura 2: Evolucion del ∆CoVaR 99 % del IGBVL en el periodo Julio-Diciembre2008. Retornos del IGBVL en lineas verticales, ∆CoVaR dado S&P500 en azul,∆CoVaR dado Cobre en rojo y ∆CoVaR dado Oro-Plata en dorado.
01−Jul 01−Ago 02−Set 01−Oct 03−Nov 01−Dic
−30
−20
−10
010
20
Figura 3: Riesgo del IGBVL en el periodo Julio-Diciembre 2008. Retornos IGBVLen lineas verticales, VaR 99 % del IGBVL en negro, CoVaR dado S&P500 en azul,CoVaR dado Cobre en rojo y CoVaR dado Oro-Plata en dorado.
23
04−Ene 01−Mar 03−May 01−Jul
−10
−5
05
10
Figura 4: Evolucion del ∆CoVaR 99 % del IGBVL en el periodo Enero-Agosto 2011.Retornos del IGBVL en lineas verticales, ∆CoVaR dado S&P500 en azul, ∆CoVaRdado Cobre en rojo y ∆CoVaR dado Oro-Plata en dorado.
04−Ene 01−Mar 03−May 01−Jul
−30
−20
−10
010
Figura 5: Riesgo del IGBVL en el periodo Enero-Agosto 2011. Retornos IGBVLen lineas verticales, VaR 99 % del IGBVL en negro, CoVaR dado S&P500 en azul,CoVaR dado Cobre en rojo y CoVaR dado Oro-Plata en dorado.
24
02−Ene 01−Mar 02−May 01−Jul 03−Set 04−Nov
−6
−4
−2
02
4
Figura 6: Evolucion del ∆CoVaR 99 % del IGBVL en el ano 2013. Retornos delIGBVL en lineas verticales, ∆CoVaR dado S&P500 en azul, ∆CoVaR dado Cobreen rojo y ∆CoVaR dado Oro-Plata en dorado.
02−Ene 01−Mar 02−May 01−Jul 03−Set 04−Nov
−10
−5
05
Figura 7: Riesgo del IGBVL en el ano 2013. Retornos IGBVL en lineas verticales,VaR 99 % del IGBVL en negro, CoVaR dado S&P500 en azul, CoVaR dado Cobreen rojo y CoVaR dado Oro-Plata en dorado.
25
Recommended